具身智能，车企的第二商业战场

2024年已经过去，但2024年最后几个月的车圈动向，给2025年留下了很多遐想空间。

相比于“飞行汽车”在汽车领域的长周期提及和迭代，2024年最后一个月，“具身智能”这个词在车圈出现频次非常之高。12月26日，广汽发布了人形机器人GoMate，比亚迪也宣布招募具身智能团队。小鹏、长安、奇瑞、上汽、北汽、东风，都在2024年组建团队或者和创业公司签约联合开发。而赛力斯和小米则稍早一点，在2023年开始动作。华为和宁德时代、地平线、速腾（参数丨图片）聚创、科大讯飞等供应商，也在投资机器人业务。

事实上，这也不是一个全新领域，只不过车圈刚介入而已。自2023年英伟达CEO黄仁勋高呼“AI的下一个浪潮将是具身智能”，这个概念就火了。而特斯拉2024年10月展示的机器人，研发至少启动两三年了。两年时间，中美有关具身智能的创业公司多如牛毛，就在车企当回事的时候，非头部具身智能创业公司拿融资已经很困难了。

具身智能≠人形机器人

那么问题来了，“具身智能”是否就是“人形机器人”？后者已经在科幻片里出现好几十年了，而前者只能追溯到几年前。两者在外观形态上可能有少许交集，但概念上完全不是一回事。

具身智能（Embodied Intelligence）之所以看着别扭，多少带点翻译腔，但确实是目前最为简洁的描述。

虽然具身智能没有共识的定义，但不妨碍大家争着给它定义。斯坦福大学AI学者李飞飞给出的定义是：“具身的含义，不是身体本身，而是与环境交互以及在环境中做事的整体需求和功能。”

这个定义不那么易懂，但可以看出，具身智能必须与物理执行能力有关，是不是人形倒不重要（但应有实体，而非单纯的代码）。我们可以将其简单理解为一种认知-行为智能，就像自动驾驶是某种意义上的认知-空间智能一样。

假设，我们支使一个“具身智能”去“倒掉厨房垃圾”，这个指令的理解和执行对人类来说再简单不过，但对于机器人却很复杂。后者应该将其拆解为一系列“子指令”——运动到厨房，搜索并辨识垃圾，分类装袋（获取袋子是另一个任务分支），确认无遗撒，抓握提起，打开房门，乘电梯下楼，搜索定位垃圾桶，移动到位，分类放入，原路返回。

图：目前的机器人只能在特定场景中执行固定任务

这些动作牵扯的技术栈非常广，包括语音识别、自然语言辨识，指令拆解，任务目标辨识、3D姿态稳定、机械移动、执行评估反馈等，更别提可能的任务分支。这就是本世纪初炒作了一阵子的人形机器人概念，最后偃旗息鼓的原因。因为人们发现，根本写不出通用机器人的代码。机器人只能在特定场景中执行固定任务，比如扫地机器人、跳舞机器人、工业喷漆机器人（机械臂）等。

好消息是，现在的大模型训练带来了新灵感。大家都看到了VLM（视觉和自然语言处理模型）、LLM（大语言模型）可以辨识模糊语义（人类也擅长辨识模糊语义），也可以教会AI在从未定义过的场景中做自主决策。再往前一步，走到物理执行层面，即解决本体与环境互动问题，那不就做出具身智能来了吗？有人将具身智能训练（多模态输入增强模型对物理现实的理解），描述成为智能注入灵魂（主观性），确实有些道理。

具身智能依然处于初级阶段

和大模型不同，发展到具身智能阶段，就不应该等着人类“填喂”给它数据并训练它（虽然初始可能这么做），它应该主动获取数据，并自我训练，然后扩张自己的能力。这里面的主动性，也是区别具身智能和人形机器人的关键。

顺便说一句，人类与环境互动，多数时候无须中央算力（大脑）。我们的小脑、肢体关节、皮肤，都能瞬时完成与环境互动，当然前提是我们对特定环境熟悉（自我训练）。

现在这股风吹到了汽车圈，除了特斯拉投资比较早，似乎也做出了产品（是否拥有典型的具身智能，尚存疑问），跟进的基本都是中国车企，这一现象很有意思。

诸多的券商投研报告，都很乐意用数字来描述某新兴产业的未来市场价值，动辄百亿千亿，还得是美元。这种饼画多了，报告都看得麻木。但毫无疑问，具身智能如果做成，商业前景无疑广阔，远超智能驾驶的商业价值，甚至还能和汽车产业掰一下手腕。

图：具身智能产业发展历程

现在全球汽车产业大概价值30多万亿人民币（2023年数据），而其带动的上游产业链，解决的就业岗位和周边产业，其经济乘数效应，在所有工业门类中无出其右。

相比而言，具身智能如果以产业标准来看，依然处于相当初级的阶段，即长期不招投资人待见的“备胎”学术门类，只不过，现在窥见了可能的技术路径，具备了工程化的可行性（即工程当中的“可研”）。

但如果从投资角度来看，又完全不一样了。一个具备广泛应用前景的商业模式，投资人会急切地寻找投资标的，抢着将支票塞到创始人口袋里。这种事，10年前已经看到多次了。只有当第一波创业企业在PPT和demo做出来之后裹足不前，耗尽前期资金，才能迫使部分投资人冷静下来。

做个不完全严谨的比喻，目前的具身智能，无论投资还是技术阶段，可能相当于智驾产业在2016年时的状态。

智驾护城河已变浅

一个依然处于雏形的产业，为何依然让诸多车企纷纷投资？

理由与投资飞行汽车有相似之处。毕竟智驾和具身智能，对大模型投资是贯通的。两者的软件（感知、视觉、算法、规控策略）技术路径相近，硬件上电池、电机、控制芯片要求差不太多（具身智能对环境工况要求稍低），何况两者都是大模型的商业变现途径。智驾对空间控制精度的要求不及具身智能，但智驾对于时间精度的要求又往往高于后者。总之，两者在技术和工程上，彼此映照。

换言之，智驾相当于具身智能的子集，理论上具身智能可以替代任何人类非创造性劳动。

对于现在的主流车企而言，投了上万张算力卡构建大模型，广泛部署了用户端数据采集能力，招募了如此庞大而高成本的人力资源，为什么不顺带进入具身智能领域？

再进一步分析，现在智驾收敛到“端到端”路径，加之车企同时在组织人马自研，智驾公司的商业道路收窄，拿到车企的长期订单越来越困难（除了少数供应商），而相关知识的扩散速度超出了此前的估计，智驾产业的护城河正在日益变浅。

图：智驾与具身智能的大模型投资是贯通的

业内普遍的共识是，L4目标（Robotaxi）无法用端到端路线解决。现在致力于L4的商业变现的公司，仍陷在亏损的烂泥坑里，原因并非是L2+那种规模效应不足的问题，而是技术上没有彻底走通。所以，车企智驾起步普遍晚于创业公司（除了特斯拉），而入局之后才认识到智驾的商业变现存在瓶颈

既然投资如此庞大，那么做具身智能也就成为必然选择。车企的意图，恐怕尝试利用既有资源（人力和技术资产）开辟第二商业战场。

有意思的是，2024年12月，小米、地平线、百度等负责智驾的高管，纷纷离职创立或者加入具身智能公司。技术出身的智驾研发一线高管，对行业趋势的认知，想必更敏感一些。

两者技术至少部分相通，智驾的商业想象力正在走弱，而具身智能则显得前途无量，转投新业态太正常不过。

无共识阶段才是最大机会

即便智驾与具身智能投资逻辑一贯而通，但业内更愿意强调二者的差异性。

前者，智驾车辆行为由规则兜底，依靠数据驱动迭代；后者，学习的是生物体，通过长期与环境交互，进化出复杂的行为模式。也就是说，具身智能因此也必须重点提升自主性和适应性。

很多公司的智驾部署量，现在已经达到几十万甚至百万，海量数据来源不成问题。数据和训练是智驾成长的基石。具身智能也需要数据输入，数据量严重偏少，且现在还看不到具身智能主动摄取数据的管道。

有些公司（譬如蔚来），希望透过构造世界模型，形成解释现实世界的认知框架，并最终解决智驾的预测问题（基于对物理和交通规则，预测未来几秒，是人开车的普遍思维模式）。世界模型的本质，是AI构造AI。准确地说，是AI构造“经验库”。

现在，也有人试图用世界模型，分层解决具身智能的执行精度问题。简言之，就是VLM叠加物理世界的运行常识，但根据LLM做高级决策（像人那样，用直觉实现从模糊语义到精确执行），这样就能避免使用大量数据训练。但是，如此直接输出动作，泛化能力可能相当有限。

打个比方，我们从桌面拿起一本厚重的书，大脑不会给肢体输出各个手指应该张开多大角度，每根手指发力多少的指令。我们甚至无须根据重量和静摩擦力感知来微调，因为我们的经验库已经非常适应这一任务。若换做拿起纸杯咖啡，就不会用同样的力度，因为早就知道会把杯子捏变形。我们不愿意教具身智能识别所有物体（也做不到），我们希望它自己悟出合适的拾取方式。

图：目前所能看到的机器人表演，可能都不是严格意义的具身智能

我们怀疑，现在看到的很多机器人做家政表演，开发人员都在几个有限动作数据上“过拟合”了而已，根本无法适应泛在场景。所以，从严格意义讲，这并不算具身智能。无法摆脱对海量训练数据的依赖，具身智能就不会获得泛在能力。

尽管技术实现存在多个瓶颈，具身智能仍然具有潜在的非凡商业价值。现在，具身智能从定义到技术路径，再到首批应用场景，都没有形成共识。而无共识阶段恰恰是最佳创业阶段，很多资本都有在发展初期布局的宏大意图。

车企自然也不例外。如今车企凭借优势资源大规模进入，短期内可能缓解了具身智能行业投资焦虑，但从长期来看，则有可能将多数具身智能的创业公司收编或者挤出这一行当，重演智驾的发展规律。

注:图片部分来源网络，如有侵权，联系删除。

低空经济 还在梦想阶段日产+本田 尚未清晰的效率之战雷克萨斯国产 能复刻特斯拉吗